KEMACETAN DI JAKARTA
Pascasarjana STMIK Nusa Mandiri Jakarta1, ABFI Institute Perbanas2, STMIK Bumigora Mataram3
Jakarta1,2, Mataram3 - Indonesia
E-mail : popypurnamasariws@gmail.com1, indrajit@post.harvard.edu2, mr.vawzy@gmail.com3
ABSTRAK
Tujuan dari penelitian ini untuk menganalisis akurasi Algoritma C4.5 dalam mendeteksi Kemacetan yang
paling sering terjadi di Jakarta, penulis mencoba menawarkan strategi menangani Kemacetan di Jakarta, dengan
konsep Business Intelegencie(BI). Jurnal ini menawarkan modelpenerapan Angkot Sekolah online berbasis
BIdengan MetodeCRISP-DM, Algoritma A*, TSP-BAB. Penelitian ini memakai Populasi dan sampel sebanyak
50 Responden. Hasil penelitian 1).Analisis C4.5ditemukan bahwa Kemacetan terjadi Pagi dan Siang, Jam 07:00-
08:00 WIB, nilai paling besar adalah Jakarta Timur Jam 07:00 WIB panjang kemacetan 10,45Km, kemudian hasil
Statistik yang Mengendarai Kendaraan Pribadi 9x lebih banyak dari pada Kendaraan Umum, terjadi kemacetan
Waktu Pagi Jam 07:00–08:00 WIB dan Sore Jam 17:00 WIB panjang Kemacetan 10,45Km dengan tingkat Akurasi
tersebar dibeberapa titik kemacetan Jalan Raya Jakarta Timur. 2). Penggunaan Algoritma A* dalam mencari Rute
terpendek efesien digunakan 3).Penerapan Angkot Sekolah online menggunakan Metode TSP-BABdalam
Minimalisir Biaya Perjalanan menjemput Siswa dapat mengurangi macet, mengurangi kecelakaan, mengurangi
waktu keterlambatan siswa, minimalisir ongkos perjalanan. Saran yang diberikan yaitu menjadi bahan evaluasi
bagiPemerintah dalam menangani Kemacetan di Jakarta, secara efisien, aman dan transparan.
7.4Metode Data Mining Standard Gambar 3. Kerangka Kerja atau Alur Penelitian
Process(CRISP-DM) yang di usulkan
Adapun rancangan Metode Data Mining
Standard Process (CRISP-DM)(Wohono, 2016), Peneliti mencari teori yang tepat untuk mengatasi
sebagai berikut: permasalahn melalui penelitian, yaitu mencari tahu
tentang kemungkinan penyebab kondisi yang
menjadi permasalahan itu (Arikunto, 2013).
Kemudian Peneliti akan menganalisis dan
memberikan kesimpulan atau solusi terbaik dalam
mengatasi masalah tersebut.
8. LANDASAN TEORI
Data Mining
Data Mining bermanfaat untuk menambah Wawasan
Gambar 2. Langkah Tahapan pada CRISP-DM dari data Variasi yang luas dalam domain masalah,
aplikasi, Formulasi, dan representasi data yang
Berdasarkan Gambar 2 diketahui bahwa CRISP- ditemui dalam aplikasi nyata (Anggarwal,
DM memiliki 6 Langkah Tahapan Penelitian Sebagai 2015).Algoritma klasifikasi Decision Tree (C4.5)
berikut: atau Pohon Keputusan adalah Pohon yang digunakan
1. Business Understanding sebagai prosedur penalaran untuk mendapatkan
Tahap ini untuk menjelaskan tentang jawaban dari masalah yang dimasukkan (Prasetyo,
penelitian apa yang akan dilakukan. Serta 2014).
batasan-batasan masalah yang akan di Business Intelligence(BI)
selesaikan dengan Data Mining. Business Intelligence digunakan untuk aplikasi
2. Data Understanding dan teknologi dalam mengumpulkan, menyimpan,
Tahap ini untuk mengumpulkan data, menganalisa, dan menyediakan akses pada data
mengidentifikasi data yang akan digunakan. sehingga dapat membantu pengguna dari kalangan
3. Data Preparation perusahaan atau organisasi untuk mengambil
Tahapan ini untuk mempersiapkan set data keputusan dengan lebih baik dan tepat (Brannon,
akhir dan atribut yang akan digunakan pada 2010).
langkah selanjutnya. Alogitma A-Star(A*)
4. Modeling Algoritma A-Star adalah sebuah graph atau metode
Tahapan ini untuk Memilih dan menerapkan pohon pencarian yang digunakan untuk mencari jalan
teknik pemodelan data mining yang sesuai agar dari sebuah node awal ke node tujuan (goal node)
mendapatkan hasil yang optimal. yang telah ditentukan (Irsyad, 2015).
5. Evaluation Travelling Salesman Problem (TSP)
Tahapan ini untuk melakukan validasi dan Konsep Travelling Salesman Problem (TSP)
pengukuran keakuratan hasil pengolahan dengan adalah bagaimana seorang salesman dapat
Algoritma pada Software RapidMiner versi 7.5 menyinggahi setiap tempat satu kali dan kembali lagi
kemudian melakukan Analisis terhadap hasil di tempat asal dengan jarak atau bobot optimal.
yang diperoleh dari Penelitian ini. (Wahyuningrum, 2016).
6. Deployment
Tahapan ini adalah tahapan terakhir dimana 9. HASIL DAN PEMBAHASAN
hasil penelitian yang telah dilakukan dapat di
kembangkan kembali atau untuk rekomendasi Hasil dan Pembahasan dari penelitian ini
pengambilan keputusannya. akan dijelaskan secara detail dengan menggunakan
Gambar 4. ExampleSet Decision Tree (C4.5) Gambar 7. Data Statistik Decision Tree (C4.5)
Kemacetan di Jakarta Kemacetan di Jakarta